CN112906101B - 基于监测数据的桥梁残余变形异常评估预警方法 - Google Patents

基于监测数据的桥梁残余变形异常评估预警方法 Download PDF

Info

Publication number
CN112906101B
CN112906101B CN202110056175.4A CN202110056175A CN112906101B CN 112906101 B CN112906101 B CN 112906101B CN 202110056175 A CN202110056175 A CN 202110056175A CN 112906101 B CN112906101 B CN 112906101B
Authority
CN
China
Prior art keywords
data
deformation
temperature
value
residual deformation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110056175.4A
Other languages
English (en)
Other versions
CN112906101A (zh
Inventor
陈克坚
颜永逸
杨国静
曾永平
宋晓东
郑晓龙
陶奇
董俊
苏延文
庞林
徐昕宇
周川江
刘力维
陈星宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Eryuan Engineering Group Co Ltd CREEC
Original Assignee
China Railway Eryuan Engineering Group Co Ltd CREEC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Railway Eryuan Engineering Group Co Ltd CREEC filed Critical China Railway Eryuan Engineering Group Co Ltd CREEC
Priority to CN202110056175.4A priority Critical patent/CN112906101B/zh
Publication of CN112906101A publication Critical patent/CN112906101A/zh
Application granted granted Critical
Publication of CN112906101B publication Critical patent/CN112906101B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Architecture (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明提供的一种基于监测数据的桥梁残余变形异常评估预警方法，通过对原始数据直接进行样本拟合，充分保留了原始信号的特点，能够快速的分离的温度效应，计算效率大大提高，而且拟合的过程也避免了由于测量造成的随机性，通过简便快速的得到残余变形曲线及其发展规律，能够有效用于对后期的残余变形展开预测，将计算的或者预估的残余变形值与预设值比较，能够将残余变形广泛用于桥梁的状态评估工作中，有效利用监测，及时发现异常情况，保障运营安全，具有良好的应用前景。

Description

基于监测数据的桥梁残余变形异常评估预警方法
技术领域
本发明属于桥梁监测技术领域，具体涉及一种基于监测数据的桥梁残余变形异常评估预警方法。
背景技术
随着我国桥梁建设的不断发展，桥梁规模不断壮大，结构形式日益多样。但桥梁结构在正常运营过程中受到环境、长期服役和结构自身老化因素的影响，会发生各种病害导致结构变形，影响桥梁结构的正常工作。由于桥梁结构的变形和残余变形对于评估结构的状态和行车安全十分重要，因此，需要对其进行监测，以便及时发现异常情况，保障运营安全。
目前，对于残余变形多是通过实验和理论模型计算获得，不能代表桥梁结构的实际情况，而实测挠度中的变形与温度有关，需要对温度产生的变形进行分离，但现有的温度分离技术，如采用智能算法，计算效率不高；如采用信号分解方法，在信号分解时，容易丢失信号的原始时域特征，且对于分量的剔除与选择没有统一标准；而若采用理论计算的参数，又不能适应所有桥的实际情况。
发明内容
本发明的目的在于克服现有技术中对残余变形的实测挠度变形数据中的温度效应进行剥离时，存在或计算效率不高、或容易丢失信号的原始时域特征，或无法适应所有桥的实际情况的上述不足，提供基于一种监测数据残余变形的桥梁结构异常状态判断方法。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于监测数据的桥梁残余变形异常评估预警方法，包括如下步骤：
a、通过观测，获得桥梁结构的挠度变形数据和对应的温度数据；
b、选取挠度变形数据的日特征数据及日特征数据对应的温度数据进行分析，得到日特征数据曲线，假定日特征数据的总量为N；
c、确定温度对挠度变形的时间范围：选取第一时间间隔天数为i，计算日特征数据中的第t个数据和第t+i个数据之间的挠度变形差
Figure BDA0002900699070000021
和温差Tt i，建立一个样本
Figure BDA0002900699070000022
其中，t＝1,2,3,…,且t+i≤N；计算所有的t得到时间间隔i下的所有挠度变形差和温差形成的一个第一样本集
Figure BDA0002900699070000023
对
Figure BDA0002900699070000024
以温差为自变量得到第一拟合一次项系数，取拟合一次项系数的绝对值为ki，分别计算i＝1,2,3,…,得到
Figure BDA0002900699070000025
然后分别拟合计算得到k1,k2,k3…，进而得到关于i-k的曲线，根据i-k曲线的拐点确定i'，i'即为温度的最大影响天数；
d、选取第二时间间隔天数为p，计算当j＝p时日特征数据中的第t个数据和第t+j个数据之间的挠度变形差
Figure BDA0002900699070000026
和温差Tt j，建立一个样本
Figure BDA0002900699070000027
其中，t＝1,2,3,…,且t+j≤N；计算所有的t得到j＝p时所有挠度变形差和温差形成的一个样本集
Figure BDA0002900699070000028
分别计算j＝1p,2p,3p,…,np,且np≤i'得到第二样本集
Figure BDA0002900699070000029
对U2以温差为自变量得到第二拟合一次项系数，取第二拟合一次项系数的绝对值为挠度变形差和温差的线性关系系数为K；
e、若K的R-square指标大于预设指标值，计算日特征数据的每相邻两个温度的温差T'，以日特征数据的第一个数据为基准，用T'乘以系数K，并依次累计求和得到温度效应的变形曲线；
f、用日特征数据曲线减去温度效应的变形曲线得到残余变形曲线分布点，将残余变形曲线分布点进行二阶最小二乘拟合，得到残余变形随时间天数的拟合公式；
g、将预设时间天数输入拟合公式中确定预估残余变形值，若预估残余变形值大于预设值，判断桥梁结构状态异常；反之，判断桥梁结构状态正常。
优选的，在步骤b中，日特征数据为均值数据、或每天的极大值、极小值、或每天0-2点间任一时刻的数据。
优选的，在步骤e中，若K的R-square指标小于或等于预设指标值，减小第二时间间隔天数p的取值并重复步骤d。
进一步优选的，预设指标值为0.85-0.95。
优选的，第一拟合一次项系数和第二拟合一次项系数均采用一阶最小二乘拟合法得到。
采用一阶最小二乘拟合法有利于提高计算效率。
优选的，i≤90。
与现有技术相比，本发明的有益效果：本申请通过对原始数据直接进行样本拟合，充分保留了原始信号的特点，能够快速的分离的温度效应，计算效率大大提高，而且拟合的过程也避免了由于测量造成的随机性，通过简便快速的得到残余变形曲线及其发展规律，能够有效用于对后期的残余变形展开预测，将计算的或者预估的残余变形值与预设值比较，能够将残余变形广泛用于桥梁的状态评估工作中，有效利用监测，及时发现异常情况，保障运营安全，具有良好的应用前景。
附图说明
图1是本发明所述的一种基于监测数据的桥梁残余变形异常评估预警方法的流程图；
图2是实施例1中的桥梁结构的挠度变形数据曲线图；
图3是图2对应的温度曲线图；
图4是实施例1中的挠度变形数据中的日特征数据的曲线图；
图5是图4对应的温度曲线图；
图6是实施例1中的关于i-k的曲线；
图7是实施例1中的第二样本集中温差与扰度变形差的分布点及其一次拟合曲线；
图8是实施例1中的温度效应的变形曲线；
图9是实施例1中的残余变形曲线分布点及其拟合曲线。
具体实施方式
下面结合实施例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
一种基于监测数据的桥梁残余变形异常评估预警方法，如图1所示，包括如下步骤：
a、通过观测，获得桥梁结构的挠度变形数据和对应的温度数据；
b、选取挠度变形数据的日特征数据及日特征数据对应的温度数据进行分析，得到日特征数据曲线，假定日特征数据的总量为N；
c、确定温度对挠度变形的时间范围：选取第一时间间隔天数为i，计算日特征数据中的第t个数据和第t+i个数据之间的挠度变形差
Figure BDA0002900699070000041
和温差Tt i，建立一个样本
Figure BDA0002900699070000042
其中，t＝1,2,3,…,且t+i≤N；计算所有的t得到时间间隔i下的所有挠度变形差和温差形成的一个第一样本集
Figure BDA0002900699070000043
对
Figure BDA0002900699070000044
以温差为自变量得到第一拟合一次项系数，取拟合一次项系数的绝对值为ki，分别计算i＝1,2,3,…,得到
Figure BDA0002900699070000051
然后分别拟合计算得到k1,k2,k3…，进而得到关于i-k的曲线，根据i-k曲线的拐点确定i'，i'即为温度的最大影响天数；
d、选取第二时间间隔天数为p，计算当j＝p时日特征数据中的第t个数据和第t+j个数据之间的挠度变形差
Figure BDA0002900699070000052
和温差Tt j，建立一个样本
Figure BDA0002900699070000053
其中，t＝1,2,3,…,且t+j≤N；计算所有的t得到j＝p时所有挠度变形差和温差形成的一个样本集
Figure BDA0002900699070000054
分别计算j＝1p,2p,3p,…,np,且np≤i'得到第二样本集
Figure BDA0002900699070000055
对U2以温差为自变量得到第二拟合一次项系数，取第二拟合一次项系数的绝对值为挠度变形差和温差的线性关系系数为K；
e、若K的R-square指标大于预设指标值，计算日特征数据的每相邻两个温度的温差T'，以日特征数据的第一个数据为基准，用T'乘以系数K，并依次累计求和得到温度效应的变形曲线；
f、用日特征数据曲线减去温度效应的变形曲线得到残余变形曲线分布点，将残余变形曲线分布点进行二阶最小二乘拟合，得到残余变形随时间天数的拟合公式；
g、将预设时间天数输入拟合公式中确定预估残余变形值，若预估残余变形值大于预设值，判断桥梁结构状态异常；反之，判断桥梁结构状态正常。
采用一个以某大跨度混凝土拱桥的实测数据来进行说明。
对某大跨度混凝土拱桥自2017年1月1日至2020年6月29日进行了为期三年半的变形观测，观测过程中采用了变采样的采集方式，获得该桥梁结构的挠度变形数据如图2所示，其挠度变形数据对应的温度数据如图3所示。
然后获取日特征数据，对于日特征数据获取方式可以有多种，比如采用均值数据、或每天的极大值、极小值、或每天0-2点间任一时刻的数据均可，本申请仅以每日的第一组数据为日特征数据为例，由此获得作为日特征数据的挠度变形数据及其对应的温度数据，如图4-5所示。
选取第一时间间隔天数为i，i的取值根据实际需要进行选取，如1≤i≤90，以日特征数据中的第t个数据和第t+i个数据之间的挠度变形差
Figure BDA0002900699070000061
和温差Tt i作为一个样本
Figure BDA0002900699070000062
其中，t＝1,2,3,…,且t+i≤N，按照日特征数据从第一组值滚动往后计算，直至t+i为日特征数据的最后1个数据全部用于计算为止，如取i＝90，即计算当i＝1时，日特征数据中的第1个数据与第2个数据之间的挠度变形差
Figure BDA0002900699070000063
和温差T1 1、日特征数据中的第2个数据与第3个数据之间的挠度变形差
Figure BDA0002900699070000064
和温差T2 1、…以此类推，计算到倒数第二个数据与最后一个数据之间的挠度变形差
Figure BDA0002900699070000065
和温差
Figure BDA0002900699070000066
由此获得了一个第一样本集
Figure BDA0002900699070000067
然后计算当i＝2时，日特征数据中的第1个数据与第3个数据之间的挠度变形差
Figure BDA0002900699070000068
和温差T1 2、日特征数据中的第2个数据与第4个数据之间的挠度变形差
Figure BDA0002900699070000069
和温差T2 2、…以此类推，获得了第二个第一样本集；根据前述i的取值，共能够获得90个第一样本集，即
Figure BDA00029006990700000610
对每个第一样本集以温差为自变量采用一阶最小二乘拟合法得到拟合一次项系数，并取其绝对值为ki，即得到k1,k2,k3…k90，进而得到关于i-k的曲线，如图6所示，根据图5的拐点确定i'＝60。
选取第二时间间隔天数为p，选定p的倍数为筛选的时间段集合，以np≤60为界限，p＞1，如选定p＝5，则时间段集合为[5、10、15、20、25、30、35、40、45、50、55、60]，j＝p，2p，3p，…，12p，然后以日特征数据中的第t个数据和第t+j个数据之间的挠度变形差
Figure BDA00029006990700000611
和温差Tt j作为一个样本，如以t＝1开始，计算日特征数据中的第1个数据和第6个数据之间的挠度变形差
Figure BDA00029006990700000612
和温差T1 5作为第一个样本，类似步骤c，计算所有的t得到j＝p时的一个样本集，分别计算j＝1p,2p,3p,…,12p共得到12个样本集，形成第二样本集
Figure BDA00029006990700000613
再对每个第二样本集以温差为自变量采用一阶最小二乘拟合法得到拟合一次项系数，得到线性关系系数为K，参见图7。
若K的R-square指标大于预设指标值，预设指标值为0.85-0.95，预设值越大表明拟合效果越好，如取0.95，本实施例中，R-square为0.9706，满足要求，则计算日特征数据中的每相邻两个温度的温差T'，以日特征数据的第一个数据为基准，用每个温差T'分别乘以系数K，并依次累计求和得到温度效应的变形曲线，如图8所示。
之后，用日特征数据曲线减去温度效应的变形曲线得到残余变形曲线分布点，如图9所示，将残余变形曲线分布点进行二阶最小二乘拟合，得到残余变形随时间天数的拟合公式。
最后，将预设时间天数输入拟合公式中确定预估残余变形值，若预估残余变形值大于预设值，判断桥梁结构状态异常；反之，判断桥梁结构状态正常，预设值可根据相关规范或经验值或桥梁结构设计文件进行取值。
若K的R-square指标小于或等于预设指标值，减小第二时间间隔天数p的取值并重复步骤d，如将p改为3再次进行计算。
以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以的权利要求的保护范围为准。

Claims (6)

1.一种基于监测数据的桥梁残余变形异常评估预警方法，其特征在于，包括如下步骤：
a、通过观测，获得桥梁结构的挠度变形数据和对应的温度数据；
b、选取挠度变形数据的日特征数据及日特征数据对应的温度数据进行分析，得到日特征数据曲线，假定日特征数据的总量为N；
c、确定温度对挠度变形的时间范围：选取第一时间间隔天数为i，计算日特征数据中的第t个数据和第t+i个数据之间的挠度变形差
Figure FDA0002900699060000011
和温差
Figure FDA00029006990600000110
建立一个样本
Figure FDA0002900699060000012
其中，t＝1,2,3,…,且t+i≤N；计算所有的t得到时间间隔i下的所有挠度变形差和温差形成的一个第一样本集
Figure FDA0002900699060000013
对
Figure FDA0002900699060000014
以温差为自变量得到第一拟合一次项系数，取拟合一次项系数的绝对值为ki，分别计算i＝1,2,3,…,得到
Figure FDA0002900699060000015
然后分别拟合计算得到k1,k2,k3…，进而得到关于i-k的曲线，根据i-k曲线的拐点确定i'，i'即为温度的最大影响天数；
d、选取第二时间间隔天数为p，计算当j＝p时日特征数据中的第t个数据和第t+j个数据之间的挠度变形差
Figure FDA0002900699060000016
和温差Tt j，建立一个样本
Figure FDA0002900699060000017
其中，t＝1,2,3,…,且t+j≤N；计算所有的t得到j＝p时所有挠度变形差和温差形成的一个样本集
Figure FDA0002900699060000018
分别计算j＝1p,2p,3p,…,np,且np≤i'得到第二样本集
Figure FDA0002900699060000019
对U2以温差为自变量得到第二拟合一次项系数，取第二拟合一次项系数的绝对值为挠度变形差和温差的线性关系系数为K；
e、若K的R-square指标大于预设指标值，计算日特征数据的每相邻两个温度的温差T'，以日特征数据的第一个数据为基准，用T'乘以系数K，并依次累计求和得到温度效应的变形曲线；
f、用日特征数据曲线减去温度效应的变形曲线得到残余变形曲线分布点，将残余变形曲线分布点进行二阶最小二乘拟合，得到残余变形随时间天数的拟合公式；
g、将预设时间天数输入拟合公式中确定预估残余变形值，若预估残余变形值大于预设值，判断桥梁结构状态异常；反之，判断桥梁结构状态正常。
2.如权利要求1所述的方法，其特征在于，在步骤b中，日特征数据为均值数据、或每天的极大值、极小值、或每天0-2点间任一时刻的数据。
3.如权利要求1所述的方法，其特征在于，在步骤e中，若K的R-square指标小于或等于预设指标值，减小第二时间间隔天数p的取值并重复步骤d。
4.如权利要求3所述的方法，其特征在于，预设指标值为0.85-0.95。
5.如权利要求1所述的方法，其特征在于，第一拟合一次项系数和第二拟合一次项系数均采用一阶最小二乘拟合法得到。
6.如权利要求1-5任一所述的方法，其特征在于，i≤90。
CN202110056175.4A 2021-01-15 2021-01-15 基于监测数据的桥梁残余变形异常评估预警方法 Active CN112906101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110056175.4A CN112906101B (zh) 2021-01-15 2021-01-15 基于监测数据的桥梁残余变形异常评估预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110056175.4A CN112906101B (zh) 2021-01-15 2021-01-15 基于监测数据的桥梁残余变形异常评估预警方法

Publications (2)

Publication Number Publication Date
CN112906101A CN112906101A (zh) 2021-06-04
CN112906101B true CN112906101B (zh) 2022-04-01

Family

ID=76113595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110056175.4A Active CN112906101B (zh) 2021-01-15 2021-01-15 基于监测数据的桥梁残余变形异常评估预警方法

Country Status (1)

Country Link
CN (1) CN112906101B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101451338A (zh) * 2008-07-31 2009-06-10 重庆大学 桥梁结构状态历史信息的分离方法
CN103439070A (zh) * 2013-08-01 2013-12-11 广州大学 一种桥梁长期挠度效应的分离方法
CN106202781A (zh) * 2016-07-19 2016-12-07 广州大学 一种桥梁挠度温度效应和长期挠度的分离方法
CN108108568A (zh) * 2018-01-03 2018-06-01 清华大学 一种桥梁结构在线安全监测中剔除温度对低频采样指标影响的实时方法
CN110160719A (zh) * 2019-05-28 2019-08-23 武汉光谷北斗控股集团有限公司 一种大跨斜拉桥监测挠度温度效应的分离方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101451338A (zh) * 2008-07-31 2009-06-10 重庆大学 桥梁结构状态历史信息的分离方法
CN103439070A (zh) * 2013-08-01 2013-12-11 广州大学 一种桥梁长期挠度效应的分离方法
CN106202781A (zh) * 2016-07-19 2016-12-07 广州大学 一种桥梁挠度温度效应和长期挠度的分离方法
CN108108568A (zh) * 2018-01-03 2018-06-01 清华大学 一种桥梁结构在线安全监测中剔除温度对低频采样指标影响的实时方法
CN110160719A (zh) * 2019-05-28 2019-08-23 武汉光谷北斗控股集团有限公司 一种大跨斜拉桥监测挠度温度效应的分离方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
基于时间序列分析的桥梁长期挠度分离与预测;陈国良等;《同济大学学报(自然科学版)》;20160708(第06期);962-968页 *
基于监测数据的大跨径斜拉桥温度效应分离与变形预测研究;赵丹阳;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20200615(第3期);C034-567 *
大跨度预应力混凝土箱梁桥的挠度预测研究;刘胜华;《北方交通》;20190920(第9期);21-25页 *
轨道交通桥梁运营期桥面线形监测数据分析;程辉等;《桥梁建设》;20111228(第06期);32-36页 *
长期监测中结构温度效应分离的一种新方法;刘纲等;《工程力学》;20100325(第03期);55-61页 *
预应力混凝土梁桥挠度监测的温度效应分离方法;吴海军等;《重庆交通大学学报(自然科学版)》;20200217(第08期);70-75页 *

Also Published As

Publication number Publication date
CN112906101A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN108564229A (zh) 一种基于arima模型的工业污水进水量预测的方法
CN105139585B (zh) 一种土质边坡险情智能预警预报方法
CN111967688B (zh) 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法
CN111191191B (zh) 一种精准预测混凝土坝变形效应的组合模型的构建方法
CN108171142B (zh) 一种确定复杂工业过程中关键变量因果关系的方法
CN114372734B (zh) 一种电缆中间接头绝缘状态实时评估方法及系统
CN111275255A (zh) 一种混凝土坝变形监测预报模型的构建方法
CN107895014B (zh) 一种基于MapReduce框架的时间序列桥梁监测数据分析方法
CN113539382B (zh) 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统
CN116595327B (zh) 水闸变形监测数据预处理系统及方法
CN117574061B (zh) 一种pm2.5和臭氧污染协同防控的预测方法及系统
CN113592308B (zh) 一种基于常态模型的监测数据告警阈值提取方法
CN114970688A (zh) 基于LSTMAD算法和Hermite插值法的滑坡监测数据预处理方法
CN114580260A (zh) 一种基于机器学习和概率理论的滑坡区间预测方法
CN117725792A (zh) 基于时间序列和模型修正的建筑安全监测预警方法
CN112906101B (zh) 基于监测数据的桥梁残余变形异常评估预警方法
CN113887119B (zh) 一种基于sarima-lstm的河流水质预测方法
CN113673010A (zh) 一种基于监测数据的钢箱梁评估方法与系统
CN117200223A (zh) 日前电力负荷预测方法和装置
CN117235525A (zh) 基于时空协同的顶吹炉系统传感器故障检测和数据重构方法
CN109359791B (zh) 一种机械系统退化趋势预测方法及系统
CN114372424B (zh) 一种基于流量加权的河流污染源解析方法
CN106647274A (zh) 一种连续生产过程中运行工况稳态判别方法
CN115713312A (zh) 一种水利水电工程环境量不利工况组合识别方法及装置
CN116777027A (zh) 一种非正常日的负荷预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant